새로운 Memristor 설계로 미래 AI 칩의 중요한 장애물 제거

04년 2024월 XNUMX일 (나노 워크 스포트라이트) 연구자들이 추구하는 멤리스터 – 뉴런과 유사한 특성을 가진 저항성 메모리 장치 – 인공 지능을 가속화할 수 있는 에너지 효율적인 하드웨어를 개발하기 위한 수단입니다. 그러나 불충분한 전류 밀도부터 대규모 통합을 방해하는 몰래 전류에 이르기까지 여러 장애물이 멤리스터의 광범위한 채택 경로를 방해했습니다. 이제 Lund University의 연구원들은 초저 컨덕턴스 작동과 결합된 강력한 비선형 전류-전압 특성을 통해 이러한 장애물을 해결하는 강유전성 산화 하프늄으로 제작된 획기적인 멤리스터를 보고합니다. 연구 결과는 고급 지능형 시스템 (“인메모리 컴퓨팅 가속기용 강유전체 터널 접합 멤리스터”).

강유전체(청록색)가 상단(빨간색) 전극과 하단(파란색) 전극 사이에 끼워진 FTJ 멤리스터의 크로스바 구현

a) 강유전체(청록색)가 상단(빨간색) 전극과 하단(파란색) 전극 사이에 끼워진 FTJ 멤리스터의 진정한 크로스바 구현. b) 아날로그 시간 인코딩을 사용하여 크로스바 배열에서 곱셈 및 누산 연산을 구현합니다. 입력 xi 일정한 진폭 V를 사용하여 펄스 길이 tn으로 인코딩됩니다.0. 전류 I는 전류의 크기가 프로그래밍된 멤리스터 컨덕턴스 G에 따라 달라지는 어레이의 각 비트 라인을 통해 합산됩니다. 그런 다음 전류는 전하 Q를 얻기 위해 통합됩니다. c) FTJ 장치의 제조 프로세스. (I) Si/SiO에 TiN 하부 전극 증착2 RF 스퍼터링을 이용한 기판. (II) 비정질 Hf의 ALD 성장xZr1-XO2 (III) W 결정화 전극 증착 및 535 °C에서 RTP. (IV) – (VI) 금속 교체 공정 및 UV-리소그래피 및 리프트 오프 공정을 통한 W 상부 전극 증착 및 패터닝. (Wiley-VCH Verlag의 허가를 받아 재인쇄됨) 새벽부터 인공지능(AI) 혁명, 혁신가들은 데이터가 부족한 신경망을 훈련하고 실행하기 위한 기존 컴퓨팅 아키텍처의 근본적인 한계로 인해 어려움을 겪었습니다. "폰 노이만 병목 현상"이라고 불리는 이 제약은 컴퓨터 프로세서와 메모리 사이를 오가는 데이터 이동으로 인해 발생합니다. DARPA는 메모리와 로직 간의 구분을 무너뜨릴 수 있는 메모리가 있는 저항기를 탐색하기 위해 2008년에 Memristor 발견 및 개발 프로그램을 시작했습니다. 생물학적 시냅스에 대한 전자적 유사체로 간주되는 멤리스터는 뇌에서 영감을 받은 컴퓨팅 패러다임으로 가는 길을 제시했습니다. 신경형공학. 그러나 수년간의 진행 중단 이후 연구자들은 AI를 위한 조밀하고 초효율적인 하드웨어 가속기에 통합하기 위한 모든 조건을 충족하는 멤리스터를 아직 개발하지 못했습니다. 이전 설계는 초박형 터널 장벽을 통한 전류 밀도 부족, 대형 크로스바 어레이의 판독 정확도를 저하시키는 몰래 전류, 대칭형 가중치 업데이트와 같은 주요 멤리스터 성능 목표 충족 실패로 인해 부족했습니다. 이러한 지속적인 결함으로 인해 멤리스터는 틈새 연구 응용 프로그램을 주류 컴퓨팅으로 탈출하는 데 방해가 되었습니다. 새로운 연구에서는 이러한 이전의 한계를 극복할 수 있는 것으로 보이는 하프늄-지르코늄 산화물 스위칭 층 위에 구축된 강유전성 터널 접합(FTJ) 멤리스터를 보여줍니다. Lund University의 Robin Athle 박사와 Mattias Borg 박사가 이끄는 연구진은 FTJ 멤리스터를 최적화하여 3A/m를 초과하는 높은 터널링 전류 밀도를 달성했습니다.2, 60개 이상의 증분 컨덕턴스 상태, 켜짐 상태와 꺼짐 상태 사이의 넓은 동적 범위, 100초 이상의 강력한 데이터 보존을 제공합니다. 판독 중 낮은 전류 밀도로 제한되는 산화 하프늄 FTJ를 사용한 이전 시도와 달리 팀의 장치는 강한 분극 반응성을 유지하면서 전하 수송을 크게 향상시키는 초박형 5nm 미만 강유전성 필름의 이점을 얻습니다. 이를 통해 성능 저하 없이 멤리스터를 고급 CMOS 노드와 호환되는 크기로 적극적으로 축소할 수 있습니다. 실제로 읽기 에너지는 크기를 더 줄이면 비트당 약 30펨토줄 수준에 도달할 수 있습니다. 그러나 산화 하프늄 FTJ에 대한 오랜 전류 밀도 제한을 개선하는 것 외에도 Athle과 Borg의 멤리스터는 하드웨어 기반 신경망 훈련에 가장 중요한 영역에서 탁월합니다. 진폭 변조 방식을 사용하여 장치 컨덕턴스를 점진적으로 프로그래밍함으로써 상당한 선형성과 함께 대칭적인 강화 및 저하 동작을 달성합니다. 이러한 예측 가능성을 통해 FTJ는 온라인 학습 중에 시냅스 가중치 유사체의 정밀한 조정을 가능하게 하는 60개 이상의 뚜렷하고 점진적인 컨덕턴스 수준을 묘사할 수 있습니다. 그리고 장치 비선형성이 1000을 초과하는 경우 연구원의 FTJ는 파괴적인 몰래 전류를 본질적으로 최소화하므로 대형 크로스바 어레이에서 선택기 요소가 불필요해집니다. 다음으로 팀은 FTJ 멤리스터의 속성이 정확한 뉴로모픽 컴퓨팅 애플리케이션으로 변환되는지 여부를 검증하기 시작했습니다. 그들은 협력자들과 협력하여 수정된 손으로 쓴 숫자 데이터 세트에서 FTJ 크로스바를 사용하여 구현된 신경망을 시뮬레이션했습니다. 장치 가변성과 비선형 컨덕턴스 변조로 인한 결함에도 불구하고 시뮬레이션된 어레이는 다른 최첨단 멤리스터 기술과 동등한 수준인 데이터 세트 분류에서 92%의 정확도를 달성했습니다. 그러나 마찬가지로 주목할만한 점은 연구원들이 FTJ의 극도로 낮은 컨덕턴스가 조밀하게 통합된 크로스바 어레이를 포위하는 기생 효과에 대한 획기적인 탄력성을 전달한다는 것을 암시하는 광범위한 시뮬레이션을 수행한다는 것입니다. 분석에 따르면 멤리스터 크로스바는 기존 저항성 메모리 대안보다 훨씬 효과적으로 IR 강하를 완화하여 잠재적으로 150배 더 큰 어레이를 허용할 수 있는 것으로 나타났습니다. 이러한 크기 다양성은 추가 회로가 아닌 FTJ의 고유 장치 물리학에서 유기적으로 발생합니다. “전반적으로, 이 연구는 하프늄-지르코늄 산화물 기반 FTJ를 미래 뉴로모픽 응용 분야에서 기억 요소로 사용하여 신경망 훈련 및 추론을 가속화할 수 있는 가능성을 강조합니다.”라고 연구 공동 저자인 Dr. 마티아스 보그. 통합 함정에 대한 높은 내성과 함께 이전 멤리스터를 일관되게 일치하거나 재정의하는 성능 지표를 통해 Athle 및 Borg의 FTJ 장치는 엄청난 가능성을 포착합니다. 그들의 설득력 있는 결과는 수년간의 명목상의 진전 이후 멤리스터 가뭄이 곧 오아시스로 변하여 오랫동안 과대평가된 이러한 장치가 마침내 AI 컴퓨팅 아키텍처에 스며들고 현상 유지 실리콘을 훨씬 능가하는 에너지 효율성과 속도 향상을 제공할 수 있음을 시사합니다.

By

마이클
버거